摘要

illumex 的核心押注是：能成为 AI 工作共享控制层的不是原始企业数据，而是元数据。 其系统将 schema、查询日志、API 签名、公式和使用模式映射到行业标准本体，再在不搬移、不查看底层数值的情况下，生成客户专属语义层。Tokarev Sela 称，即便客户拥有数百万张表，接入也可能只需几天。
“无应用未来”并不意味着软件消失，而是把软件编排隐藏在熟悉的对话式界面之后。 员工可以通过 Slack、Teams、语音或其他启动器提问、发起工作流，专业应用则在后台运行。理想状态是，用户“不太在乎需要调用哪个应用”，从而减少上下文切换，同时让细分领域 agent 共存。
illumex 声称整体准确率超过 95%，但在低使用率数据上，准确率可能略低于 95%。 这类情况下，产品可能不返回答案，因为数据存在缺失、重复或损坏。其商业切入口不是替代分析师，而是服务那些原本可能要等 9个月才能拿到 BI 仪表盘的员工。
信任被当作产品界面，而不是一句承诺。 用户可以沿着定义、血缘、计算过程、数据源选择和生成的 SQL 追溯答案，让 illumex 成为 Tokarev Sela 所说的“控制狂平台”。内置审计覆盖冲突、重复和 PII；治理还必须关注访问权限、偏见、伦理和数据偏斜。提示词无法改写组织批准的业务逻辑。
共享上下文是多供应商 agent 工作流的前提，也支撑着其成本逻辑。 Tokarev Sela 认为，“如果每个模型都有独立上下文，它们永远不可能对齐”；因此 illumex 为 AWS Bedrock、NVIDIA NIMs 等运行时提供共享上下文和连接器。她称，复用这套上下文最多可以节省 80% 的 token。
市场进入信号是：用户在快速从技术团队转向业务自助服务。 6个月前，用户主要来自数据管理、治理团队和分析师；Tokarev Sela 表示，近期所有主动咨询都围绕业务用户自助服务展开。定价按接入的数据源数量计算：starter 版接入1个，中型客户接入3至5个，企业版则是“all-you-can-eat”，席位和用量不另设隐藏收费。
劳动力趋势是先做增强，随后从生产分析转向监督分析。 上市公司和董事会报告仍需人工验证，但例行生成可以交给机器，分析师则负责解决冲突、定制体验和解读告警。Tokarev Sela 的表述是“内容创作者更少，内容审核者更多”，意味着例行生产岗位会减少，但深度领域判断仍将持续有需求。

精读

1. illumex 在生成式 AI 热潮前就押注无应用未来

Tokarev Sela 于2021年创办 illumex，最初的表述是“为 agentic AI 提供自动化上下文和推理”，但当时很难向市场讲清楚。她随后将信息简化为一项使命：通过自助访问结构化企业数据，为知识工作者实现“无应用未来”。
她在 SAP 和 Siemens 期间遇到的起点问题是：企业已经在数据和分析上投入巨大，为什么大量业务决策仍然靠猜？员工每天提出的问题多于分析团队能够回答的问题，导致事实驱动的决策受限于组织吞吐量，而不是数据是否存在。
图谱提供关系和上下文，语义模型提供内容。Tokarev Sela 认为，两者结合后形成一张连接“数据、人员和工作流”的网络，以自然语言访问来增强员工，而不是把整份工作自动化掉。

2. 应用可能越来越多，但界面会趋于消失

Nathan Labenz 将 illumex 与那些承诺大量生成个性化、一次性应用的 AI 软件构建商进行对比。Tokarev Sela 的回答是，两种愿景并不冲突：专业 agent 和应用可以不断增加，但业务用户不应被迫学习它们、切换上下文，或记住完成任务所需的“点击顺序”。
她设想的终局是一个启动器界面：用户只需用语言描述问题或任务，编排过程在后台消失。“你不太在乎需要调用哪个应用”，也不必关心它需要哪些数据，或哪个工作流最终产出结果。
Labenz 将这一想法延伸到桌面聊天之外：语音可以让知识工作者在走路时与信息交互、执行数字操作，而不是始终“锁定在工作台前”。Tokarev Sela 以配备扬声器的 Ray-Ban 眼镜为例，认为这就像不再需要额外佩戴耳机。

3. Slack 演示让受治理的分析看起来像普通对话

在 Slack 中，Tokarev Sela 提问：“你们现在有多少产品在库存？”“Let Omni decide”模式将问题与 illumex 的语义本体匹配，选出相关业务逻辑，生成查询，并在同一环境中返回答案。
分析师可以选择更具探索性的模式，而大多数业务用户只需消费结果。同一份回答会展示其语义实体、血缘、属性、定义、源数据和 SQL，供想了解“蛋糕是怎么做出来的”用户检查。
这套分层体验具有商业价值：用户可以立即得到答案，数据专家则保留验证每一步的能力。Tokarev Sela 称其为“控制狂平台”，但她认为，大多数用户在信任日常结果后，只会深入检查一两次。

4. 标准本体将碎片化元数据转化为公司专属上下文

illumex 最初构建了覆盖制造、保险、制药、零售、金融、IoT 等领域和职能的行业知识。它将术语、流程、指标、分析和依赖关系编码为业务本体，融合知识图谱、语义嵌入、关系模型和语义模型。
Labenz 将这些本体描述为每类企业的“柏拉图式形态”：一种理想化表示，用来对照客户内部并不一致的实现。Tokarev Sela 表示认同，并指出企业会定制系统、发明个人化列名，最终形成与任何基准都可能大幅偏离的结构。
客户环境可能同时包含本地部署的 Oracle、SAP、Microsoft SQL Server、Teradata 等传统系统，以及 Redshift、Snowflake、Databricks、Tableau 和 Power BI。各部门可能拥有几十套系统，并且“绝对没有单一事实来源”；illumex 会根据这些元数据的集合，重新连接其基准本体。
输入包括 schema、历史查询、应用 API、管道逻辑及其他元数据，而不是表内内容。Tokarev Sela 称，即便部分客户拥有数百万张表，接入通常也只需几天；系统既支持集中式架构，也支持联邦式架构，无需将数据搬进向量数据库。

5. 使用模式能够解决名称和嵌入无法解决的含义问题

Labenz 提出的最难案例，是电商系统中一个名为“VRX”之类毫无意义的字段，而且字段名可能还是另一种语言。Tokarev Sela 表示，即便标签看起来已经自带解释，illumex 也“不会相信语义”，而是建立能够捕捉字段实际使用方式的分类体系。
一列数据可能被 dbt 转换流程使用、获得一个别名，并参与计算渠道归因的 BI 公式。如果有意义的字段和不透明的字段反复出现在映射至已知指标的计算中，系统就能根据公式、邻近关系、管道和重复使用情况，推断出这个不透明字段的角色。
Labenz 表示，他的公司发现标准嵌入不适合匹配视频模板，因为占位文本掩盖了它真正想匹配的“氛围”、节奏和能量。Tokarev Sela 认为，结构化数据同样缺乏上下文，因此必须结合语义、图谱和使用分析。
illumex 会删除那些在客户已连接系统中找不到依据的标准概念，输入本体中“绝对不会留下任何痕迹或残余”。这样，某个行业标准工作流不会仅仅因为可比公司在使用，就被带入客户模型。

6. 自动化来自多个专业模型，而非一个全知全能的 LLM

不同模型分别负责显式标注、SQL 查询使用、实体解析、关系发现和子图匹配；部分组件使用图神经网络，另一些则使用传统算法识别子集群。Tokarev Sela 称，illumex 会持续对这些模型进行基准测试，因为尚未找到一个能把所有任务都做好的开源模型。
在其为 Spider text-to-SQL 基准生成的本体上，illumex 报告了 91% 的准确率。公司复盘认为，剩余差距很大一部分来自开源基准中错误或低质量的样例；真实部署拥有更丰富的历史、公式和应用上下文，而 Spider 只有约 60 个稀疏领域。
人工工作仅限于：当某个系统以不受支持的 JSON、schema 或 API 格式暴露元数据时，为其设计连接器。Tokarev Sela 明确表示，本体创建本身“绝对没有人工任务”，但业务专家仍会审查并认证结果。
她将这一方法与 Palantir 对业务本体和组织数据映射的使用进行比较，认为底层概念并不新。illumex 声称的差异化在于，能够自动完成映射和清洗，而不是组建人工本体构建团队。

7. 通用模型更懂问题，未必更懂企业

模型进步已经简化了边界清晰的任务：illumex 过去需要用 ensemble 将 SQL 拆解并分类为过滤条件、维度和度量，而如今一个经过领域训练的语义模型已经超过了那套模型栈。但 Tokarev Sela 认为，模型对专有业务流程的开箱即用理解并没有实质性突破。
基础模型越来越擅长推断用户意图，例如“就给我看看”这类口语可能意味着要一个计数结果；但它们仍然难以理解问题对象在组织中的含义。模型提供商训练的是广泛的公共领域理解，而不是某家企业职能中决定业务含义的私有术语、规则、阈值和例外情况。
因此，每个客户都会获得自己的定制语义语言模型和图系统，系统根据组织元数据和可能的使用样例自动调优——某种意义上是“Uber RAG”。标准本体也会继续同步改进，而不是在接入时冻结。
跨行业投射有助于理解那些不使用单一领域术语的员工。她举供应链的例子说，“我们今天有多少件？”中的“件”可能指交付件数；系统会映射这种表达，而不会假定所有说话者都使用标准术语。

8. 共享上下文让异构 agent 对齐，并减少重复推理

按 Tokarev Sela 的说法，当每个模型接收到的企业表示都不一样时，agent 编排就会失败：“如果每个模型都有独立上下文，它们永远不可能对齐。”受治理的共享上下文可以让不同供应商的模型围绕同一套已接受的概念和关系进行推理。
illumex 为 AWS Bedrock、NVIDIA NIMs 等运行时提供连接器。客户可以组合专业 agent，而无需针对每次运行时调用，重新构建、传输或重建完整的组织上下文。
由于提示词会先与预构建上下文匹配，只有匹配结果会作为运行时调用发送出去，Tokarev Sela 声称，相比传统的反复传输上下文方式，token 消耗最多可节省 80%。

9. 没有治理的准确率，不算企业级产品

当被要求比较 ChatGPT、人工分析师和 illumex 时，Tokarev Sela 否定了“人类 100%可靠”这一默认前提。illumex 会以分析师的生产查询和 BI 报告为基准测试，并向用户展示足够证据，让他们追问为什么选择了某个数据源、定义或计算方式。
她称整体准确率超过 95%，但在低使用率数据上可能略低于 95%。缺失值、相互冲突的分布或重复数据源，都可能使“由于数据损坏，没有答案”成为正确响应；她称，在公司分析过的数据损坏案例中，判断确信度达到 100%。
对于上市公司、董事会或具有法律后果的报告，分析师仍然“不可替代”，因为这些报告需要人工批准。短期机会在于被忽视的需求队列：一个潜在客户部门曾等待 BI 仪表盘 9个月，并希望获得 copilot，因为公司并未将这项需求视为优先事项。
治理被放进推理路径，而不是作为独立的 GRC 流程。illumex 会审计冲突、重复、PII 和其他问题；用户可以导出报告、认证定义并检查血缘。Tokarev Sela 还将偏见、伦理、访问权限和数据偏斜列为治理事项。

10. 从历史学习，不等于把每条新查询都当成真相

Tokarev Sela 将产品称为承载组织分析师集体经验的“Uber analyst”。它不会把这些历史记录一次性装进单个上下文窗口，而是将知识拆解为语义实体、关系、工作流嵌入和可复用构件。
自顶向下的工作流表示会与自底向上的组件嵌入交叉验证，避免逻辑在不知不觉中漂移。新分析师一条逻辑错误的临时查询，不应立即重新训练组织已经认可的模型。
严重偏差会被标记为冲突，交由数据区负责人或领域专家处理。illumex 可以设定阈值——Tokarev Sela 以偏差超过 20% 为例——在达到阈值后开始自动调整，但她表示，客户通常希望先检查逻辑变化，再将其纳入模型。
人类参与的角色是审查，而不是搭建：系统生成定义和解释，专家批准例外。Tokarev Sela 估计，这可以移除手工构建类似 agent 工作流时超过 90% 的工作量或摩擦。

11. 仅使用元数据的执行方式重塑安全、定价和数据战略

在运行时，illumex 将提示词转换为查询或工具调用，发送至客户自己的基础设施执行；结果再返回发起请求的界面。illumex 依赖元数据和业务逻辑运行，不直接处理底层数值或敏感数据。
Tokarev Sela 称，将业务逻辑与数据分开是必要条件。SaaS 供应商如果同时持有一家公司的业务逻辑和全部数据，就会成为高度集中的风险点；仅使用元数据的架构可以降低风险，但企业仍需确认托管、分包商和账户隔离等问题。
Labenz 怀疑，元数据本身是否可能暴露竞争对手的业务骨架。Tokarev Sela 则将问题转向另一个方向：流程和报告指标通常没有积累数据那么具差异化，而未来的自动化能力将“有多么个性化、有多么好，取决于你的数据有多好”。无法积累丰富数据的公司，可能错过未来的收入引擎。
过去6个月，产品需求已经从分析师、治理团队和数据管理团队转向业务用户自助服务；Tokarev Sela 预计 AI agent 也会加入这类用户。illumex 按接入数据源定价：starter 版1个，中型客户3至5个，企业版则是“all-you-can-eat”，席位和用量不另设隐藏收费。

12. 前沿实践跑在正规课程前面，分析师将成为审核者

Labenz 问，AI 是否正在抬高入门岗位的门槛，就像软件开发领域可能正在发生的那样。Tokarev Sela 认为，职业会被反复重塑，但她将数据领域的转型描述为从“内容创作者”转向“内容审核者”，而不是专业能力消失。
企业在分析上投入巨大，但可能只完成了所有可完成工作中的约 10%。分析师可以转而解决语义冲突、调查数据不足告警、定制 agent 行为、翻译业务需求，并以手工制作报告无法企及的规模监督输出。
她给毕业生的建议是，尽快建立足够深的专业能力，以便监督这些系统，因为类比、隐喻、用户意图和失败诊断仍然需要判断力。她不太确定这一岗位能否持续 50年：审核本身最终也可能成为另一个被重新发明的职业。
对于当前学习，Tokarev Sela 建议关注主要行业参与者及其业务主题演讲，同时阅读本体和多模态上下文研究。她提到近期一项在 NIST 会议上发表的、关于供应链本体 RAG 的研究，据称该方法提升了性能并降低了成本，但她质疑，为每个用例人工创建本体是否具备规模化可能。
她用育儿作类比：让自己9岁的孩子直接使用 ChatGPT，但优先培养批判性思维、核查来源，以及追问“可能出什么问题”。

20个问题，搞懂DeepSeek和它带来的“AI下半场”第一个出 ICU 的 AI 创业者｜对谈心影随形 CEO Binson